- 1历史 - FaceBook开发的小历史公开
- 2版本 - 对应python版本公开
- 3安装 - 安装PyTorch公开
- 4环境搭建 - 安装方式 - CPU 和 GPU 版本选择公开
- 5环境搭建 - 虚拟环境 - 使用 conda 或 venv 创建公开
- 6环境搭建 - 验证安装 - 测试 PyTorch 是否可用公开
- 7基本概念 - 张量 - 张量的定义与属性公开
- 8基本概念 - 张量 - 张量的创建方法公开
- 9基本概念 - 自动求导 - autograd 原理与使用公开
- 10基本概念 - 计算图 - 动态计算图机制公开
- 11基本语法 - 张量操作 - 索引、切片与变形公开
- 12基本语法 - 张量操作 - 数学运算与广播机制公开
- 13基本语法 - 设备管理 - 张量在 CPU 和 GPU 间移动公开
- 14基本语法 - 随机数生成 - 生成随机张量公开
- 15数据类型 - 数值类型 - 整数、浮点数张量公开
- 16数据类型 - 布尔类型 - 布尔张量的应用公开
- 17数据读取 - 图像数据 - 使用 torchvision 读取图像公开
- 18数据读取 - 文本数据 - 读取与处理文本文件公开
- 19数据读取 - 自定义数据集 - 构建自定义数据集类公开
- 20数据预处理 - 图像预处理 - 缩放、裁剪与归一化公开
- 21数据预处理 - 文本预处理 - 分词、编码操作公开
- 22数据增强 - 图像增强 - 旋转、翻转等操作公开
- 23数据增强 - 文本增强 - 同义词替换等方法公开
- 24数据加载 - DataLoader - 批量加载数据公开
- 25数据加载 - 多线程加载 - 提高数据加载效率公开
- 26数据划分 - 训练集与测试集 - 合理划分数据公开
- 27数据划分 - 验证集 - 用于模型评估与调优公开
- 28模型基础 - 模块类 - nn.Module 的使用公开
- 29模型基础 - 层的定义 - 全连接层、卷积层等公开
- 30模型构建方式 - 顺序模型 - 按顺序堆叠层公开
- 31模型构建方式 - 函数式构建 - 灵活定义模型公开
- 32模型构建方式 - 子类化模型 - 自定义模型类公开
- 33损失函数 - 分类损失 - 交叉熵损失函数公开
- 34损失函数 - 回归损失 - 均方误差损失函数公开
- 35损失函数 - 自定义损失 - 构建自定义损失函数公开
- 36优化器 - 梯度下降 - 基本梯度下降算法公开
- 37优化器 - 自适应优化器 - Adam、RMSprop 等公开
- 38评估指标 - 分类指标 - 准确率、召回率等公开
- 39评估指标 - 回归指标 - 均方根误差等公开
- 40神经网络基础 - 神经元模型 - 模拟生物神经元公开
- 41神经网络基础 - 激活函数 - ReLU、Sigmoid 等公开
- 42多层感知机 - 结构特点 - 全连接网络结构公开
- 43多层感知机 - 训练过程 - 前向传播与反向传播公开
- 44卷积神经网络 - 卷积层 - 卷积操作原理公开
- 45卷积神经网络 - 池化层 - 最大池化与平均池化公开
- 46卷积神经网络 - 经典架构 - LeNet、AlexNet 等公开
- 47循环神经网络 - 基本结构 - 处理序列数据公开
- 48循环神经网络 - 长短期记忆网络 - LSTM 原理公开
- 49循环神经网络 - 门控循环单元 - GRU 的优势公开
- 50生成对抗网络 - 生成器与判别器 - 对抗训练机制公开
- 51生成对抗网络 - 应用场景 - 图像生成等领域公开
- 52训练流程 - 模型初始化 - 初始化模型参数公开
- 53训练流程 - 前向传播 - 计算模型输出公开
- 54训练流程 - 损失计算 - 计算损失值公开
- 55训练流程 - 反向传播 - 计算梯度公开
- 56训练流程 - 参数更新 - 使用优化器更新参数公开
- 57过拟合与欠拟合 - 过拟合现象 - 表现与原因公开
- 58过拟合与欠拟合 - 欠拟合现象 - 解决方法公开
- 59正则化方法 - L1 和 L2 正则化 - 防止过拟合公开
- 60正则化方法 - Dropout - 随机丢弃神经元公开
- 61超参数调优 - 手动调优 - 调整学习率等公开
- 62超参数调优 - 自动化调优 - 使用工具搜索参数公开
- 63模型保存 - 保存格式 - 保存为.pth 或.pt 文件公开
- 64模型保存 - 保存内容 - 权重、架构等公开
- 65模型加载 - 加载已保存模型 - 恢复训练状态公开
- 66模型部署 - 本地部署 - 在本地环境运行模型公开
- 67模型部署 - 云服务部署 - 使用云计算平台公开
- 68模型部署 - 移动端部署 - 在移动设备上运行公开
- 69TensorBoard - 功能介绍 - 可视化训练过程公开
- 70TensorBoard - 指标可视化 - 损失、准确率等展示公开
- 71TensorBoard - 模型结构可视化 - 查看网络架构公开
- 72Matplotlib - 数据可视化 - 绘制图像、曲线等公开
- 73Matplotlib - 模型评估可视化 - 绘制混淆矩阵等公开
- 74分布式训练基础 - 概念与优势 - 提高训练效率公开
- 75分布式训练基础 - 策略选择 - 数据并行与模型并行公开
- 76单机多 GPU 训练 - 数据并行 - 数据分割训练公开
- 77单机多 GPU 训练 - 模型并行 - 模型分割训练公开
- 78多机多 GPU 训练 - 集群配置 - 搭建分布式集群公开
- 79多机多 GPU 训练 - 通信协议 - 使用 gRPC 等协议公开
- 80强化学习基础 - 基本概念 - 智能体与环境交互公开
- 81强化学习基础 - 马尔可夫决策过程 - MDP 原理公开
- 82策略梯度算法 - REINFORCE - 基于策略的学习公开
- 83策略梯度算法 - Actor - Critic - 结合价值与策略公开
- 84Q - learning 算法 - 原理与实现 - 基于价值学习公开
- 85Q - learning 算法 - 深度 Q 网络 - DQN 的改进公开
- 86强化学习应用 - 游戏领域 - 训练智能体玩游戏公开
- 87强化学习应用 - 机器人控制 - 控制机器人行动公开
- 88NLP 基础 - 文本表示 - 词向量与词嵌入技术公开
- 89NLP 基础 - 语言模型 - 统计语言模型原理公开
- 90文本分类 - 传统方法 - 基于机器学习分类公开
- 91文本分类 - 深度学习方法 - 使用 RNN、CNN 分类公开
- 92情感分析 - 数据预处理 - 文本清洗与标注公开
- 93情感分析 - 模型构建 - 训练情感分类模型公开
- 94机器翻译 - 序列到序列模型 - Seq2Seq 原理公开
- 95机器翻译 - 注意力机制 - 增强翻译效果公开
- 96问答系统 - 知识图谱 - 构建问答知识基础公开
- 97问答系统 - 模型实现 - 实现问答交互功能公开
- 98图像分类 - 数据准备 - 收集与标注图像数据公开
- 99图像分类 - 模型训练 - 训练分类模型流程公开
- 100目标检测 - 基本概念 - 检测图像中目标位置公开
- 101目标检测 - 经典算法 - YOLO、Faster R CNN 等公开
- 102语义分割 - 任务定义 - 对图像像素分类公开
- 103语义分割 - 模型架构 - U Net、Mask R CNN 等公开
- 104图像生成 - 自动编码器 - 图像特征提取与重构公开
- 105图像生成 - 变分自动编码器 - VAE 原理与应用公开
- 106人脸识别 - 特征提取 - 提取人脸特征方法公开
- 107人脸识别 - 模型训练 - 训练人脸识别模型公开
- 108音频基础 - 音频数据表示 - 波形与频谱特征公开
- 109音频基础 - 音频文件格式 - WAV、MP3 等解析公开
- 110语音识别 - 声学模型 - 识别语音信号公开
- 111语音识别 - 语言模型 - 处理语音文本公开
- 112语音合成 - 文本到语音 - TTS 技术原理公开
- 113语音合成 - 合成模型 - 训练合成语音模型公开
- 114音频分类 - 特征提取 - 提取音频特征向量公开
- 115音频分类 - 模型训练 - 训练音频分类模型公开
历史 - FaceBook开发的小历史
Facebook
Torch7
Caffe
PyTorch+Caffe2（集成了Caffe2）